Exposure to Major Air Pollutants and Predictive Value of Pollutant Levels on Increased Completed Suicide rate in OECD Countries (Preprint)
Notice bibliographique
Résumé
BACKGROUND Many studies have investigated the link between exposure to several air pollutants such as carbon dioxide (CO2), carbon monoxide (CO), and ozone (O3) and how they impact the overall completed suicide rate. However, It is unclear how air pollution may affect the increased suicide rate. Furthermore, it is unclear which pollutants may lead to an increased completed suicide rate. OBJECTIVE Therefore, our study aimed to predict the rise in suicide rates using publicly available open air pollution data. METHODS Public Organization for Economic Co-operation and Development （OECD）data was used to extract relevant air pollutants data. Our study included countries of Turkey (2019), Greece (2019), Slovak Republic (2019), United Kingdom (2019), Canada (2019), Luxembourg (2019), Poland (2019), Japan (2019), Hungary (2019), Lithuania (2020), Italy (2017) Spain (2020) Portugal (2018), Ireland (2018)，Denmark (2018), Germany (2020), Chile (2018), Netherlands (2020), Canada (2019), Austria (2020) Czech Republic (2020), Switzerland (2018), Australia (2020), Sweden (2018), Iceland (2020), United States (2020), Finland (2018), Latvia (2020) Belgium (2018), Estonia (2020), Slovenia (2020), and Korea (2019). Air pollutants of CO2, CO, greenhouse gas (GHG), Nitrogen oxides (NOX), Sulfur dioxide (SOX), and Volatile organic compounds (VOC) were used to assess the air quality of the countries mentioned above. We have divided countries into high and low-suicide-risk countries according to the mean completed suicide rate of the measured countries. RESULTS According to our main study results, the mean suicide rate among countries was 11.36 per 100.000 people. A significant correlation was not found between the suicide rates and levels of measured air pollution parameters. The correlation was negative only between SOX and the suicide rate. Random Forest (RF) Machine Learning (ML) model showed that we predicted a low or high suicide rate status with an accuracy of 90% (area under curve (AUC): 94%). The level of CO2 was the most predictive factor according to the RF model. Furthermore, the Neural Networks (NN) ML model predicted a low or high suicide rate with an accuracy of 90% (AUC: 75%). The level of CO was the most predictive factor according to the NN model. CONCLUSIONS In conclusion, certain levels of air pollutants may be used to predict the completed high or low suicide rate status. CLINICALTRIAL -
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».